Depuis la r\u00e9volution de l\u2019information et des t\u00e9l\u00e9communications au d\u00e9but des ann\u00e9es 1990, le vieil adage \u00ab\u00a0knowledge is power \u00bb, attribu\u00e9 \u00e0 Sir Francis Bacon, n\u2019a jamais \u00e9t\u00e9 aussi actuel. Pour survivre et se d\u00e9velopper, les entreprises ont plus que jamais besoin de conna\u00eetre les attentes de leurs clients, de pr\u00e9voir le moment et l\u2019endroit dans la cha\u00eene de production o\u00f9 la panne est la plus risqu\u00e9e, ou d\u2019anticiper la demande pour mieux pouvoir y r\u00e9pondre, au risque de perdre des march\u00e9s contre des organisations qui, elles, ont ces informations. Cette \u00ab\u00a0course \u00e0 l\u2019information\u00a0\u00bb est si pr\u00e9gnante que l\u2019on pourrait m\u00eame pr\u00e9ciser cette citation en \u00ab\u00a0better knowledge is higher market power\u00a0\u00bb.\u00a0<\/em><\/p>\n Aujourd\u2019hui, la plupart des entreprises sont conscientes de l\u2019importance de la donn\u00e9e, et de l\u2019information qu\u2019elle convoie. N\u00e9anmoins, toutes ces entreprises n\u2019en sont pas au m\u00eame point dans leur appropriation de celle-ci. Les organisations modernes, que nous appelons Open Organisations\u00a0<\/a>(Organisations Ouvertes) comportent 5 sp\u00e9cificit\u00e9s. Le fait d\u2019\u00eatre data drive<\/em>n est l\u2019une d\u2019entre elles.<\/p>\n La premi\u00e8re \u00e9tape consiste \u00e0 identifier, g\u00e9rer et organiser les donn\u00e9es n\u00e9cessaires aux organisations. La plupart des entreprises ont d\u00e9j\u00e0 d\u00e9velopp\u00e9 une r\u00e9flexion \u00e0 ce sujet. La deuxi\u00e8me \u00e9tape consiste \u00e0 construire une capacit\u00e9 d\u2019analyse des donn\u00e9es. Cette \u00e9tape est beaucoup plus complexe : les entreprises font r\u00e9guli\u00e8rement appel \u00e0 des cabinets de conseil ou autres startups sp\u00e9cialis\u00e9s. Cette phase repose avant tout sur une interaction optimale entre connaissance du secteur et savoir-faire technique d\u2019analyse des donn\u00e9es. La derni\u00e8re \u00e9tape consiste \u00e0 utiliser l\u2019information extraite des donn\u00e9es pour optimiser les processus et optimiser les prises de d\u00e9cisions.<\/p>\n <\/p>\n Dans ce qui suit, nous d\u00e9crivons plus en d\u00e9tail ces trois \u00e9tapes.<\/p>\n <\/p>\n La premi\u00e8re \u00e9tape pour devenir data driven<\/em> est d\u2019identifier, g\u00e9rer et organiser les donn\u00e9es essentielles \u00e0 l\u2019organisation. L\u2019id\u00e9e-force de cette phase est de r\u00e9aliser que, en d\u00e9pit de l\u2019utilisation de plus en plus fr\u00e9quente du terme \u00ab\u00a0big data\u00a0\u00bb, ce qui compte n\u2019est pas la quantit\u00e9, mais bien la qualit\u00e9 des donn\u00e9es. En particulier, cela se conjugue en trois principes.<\/p>\n <\/p>\n Les donn\u00e9es doivent r\u00e9pondre \u00e0 un probl\u00e8me concret de l\u2019entreprise. Il est souvent dangereux, et co\u00fbteux en termes de temps et d\u2019argent, d\u2019amasser le plus de donn\u00e9es possibles sans trop savoir comment les utiliser ensuite. A l\u2019inverse, il est pr\u00e9f\u00e9rable de partir du probl\u00e8me business<\/em>, et de r\u00e9pondre avec un grand niveau de pr\u00e9cision aux deux questions suivantes \u00ab\u00a0Quels sont les enjeux majeurs de mon organisation pour les 5 prochaines ann\u00e9es\u00a0?\u00a0De quelles informations ai-je besoin pour pouvoir r\u00e9pondre correctement \u00e0 ces enjeux\u00a0?\u00a0\u00bb.<\/p>\n <\/p>\n Une fois les donn\u00e9es r\u00e9colt\u00e9es, une des \u00e9tapes essentielles dans leur valorisation est de les transformer en quelque chose d\u2019exploitable. Tous les data scientists<\/em> s\u2019accordent \u00e0 dire que 80% de leur travail consiste \u00e0 faire du data cleaning<\/em>, \u00e0 mettre en forme les donn\u00e9es. Il existe de nombreux crit\u00e8res pour d\u00e9finir si une base de donn\u00e9es est suffisamment propre et standardis\u00e9e, en voici quelques-uns, qui reviennent r\u00e9guli\u00e8rement et s\u2019appliquent \u00e0 presque toutes les situations.<\/p>\n <\/p>\n Appliquer les principes 1 et 2 ci-dessus demande une capacit\u00e9 d\u2019anticipation que la plupart des entreprises commen\u00e7ant leur transformation digitale sous-estiment. Il est donc essentiel d\u2019anticiper autant que possible les besoins en termes de donn\u00e9es (pertinence) et de leur utilisation (utilisabilit\u00e9).<\/p>\n Par exemple, une grande administration fran\u00e7aise a lanc\u00e9 il y a 5 ans un programme visant \u00e0 promouvoir l\u2019innovation en son sein. Cependant, les gestionnaires de ce programme n\u2019ont pas pens\u00e9 lors de sa conception aux m\u00e9triques qui permettraient d\u2019\u00e9valuer son efficacit\u00e9. R\u00e9sultat\u00a0: les donn\u00e9es n\u2019existent pas et l\u2019impact de ce programme est difficilement \u00e9valuable.\u00a0 Une bonne mani\u00e8re de ne pas tomber dans ce type de probl\u00e8me consisterait, par exemple, \u00e0 mettre en place, pendant une dur\u00e9e de quelques semaines, un programme pilote afin d\u2019identifier les difficult\u00e9s et les donn\u00e9es n\u00e9cessaires \u00e0 leur \u00e9limination.<\/p>\n <\/p>\n Il est beaucoup plus difficile de construire une excellente capacit\u00e9 d\u2019analyse de ces donn\u00e9es. Cela tient au fait que cela demande une excellente interaction entre savoir-faire technique d\u2019analyse des donn\u00e9es et connaissance du secteur en particulier. En particulier, on peut souligner trois aspects fondamentaux qui permettent d\u2019identifier une analyse de qualit\u00e9.<\/p>\n <\/p>\n R\u00e9duire l\u2019information contenue dans des millions de data points<\/em> en un message facilement compr\u00e9hensible est une v\u00e9ritable comp\u00e9tence, qui peut faire la diff\u00e9rence au sein d\u2019une organisation. En particulier, depuis l\u2019\u00e9mergence du big data<\/em>, la plupart des sp\u00e9cialistes de l\u2019apprentissage s\u2019accordent pour affirmer que rien ne vaut un graphique ou une image int\u00e9ressante pour identifier et communiquer rapidement les enjeux importants. A tel point que de nos jours, la fameuse phrase de Boileau devrait \u00eatre reformul\u00e9e en\u00a0: \u00ab\u00a0ce qui se con\u00e7oit bien se visualise clairement\u00a0\u00bb. Ainsi, une organisation qui est data driven<\/em>, devrait avoir en interne non seulement les capacit\u00e9s pour r\u00e9colter les donn\u00e9es dont elle a besoin, mais aussi pour les visualiser. Par exemple, le TED talk de David McCandless<\/a> montre comment la simple visualisation des donn\u00e9es permet d\u2019identifier les patterns<\/em> dans les donn\u00e9es.<\/p>\n <\/p>\n Comprimer autant d\u2019information en un seul graphe demande \u00e0 l\u2019analyste de faire des choix\u00a0: est-ce que je pr\u00e9f\u00e8re montrer l\u2019\u00e9volution du nombre de pi\u00e8ces d\u00e9faillantes produites par cette machine en valeur absolue, ou relativement par rapport au nombre total de pi\u00e8ces produites\u00a0? Ce choix d\u00e9pend de la question \u00e0 laquelle on souhaite r\u00e9pondre. Si je me suis engag\u00e9 \u00e0 payer contractuellement des dommages et int\u00e9r\u00eats pour chaque pi\u00e8ce d\u00e9faillante, je suis int\u00e9ress\u00e9 au chiffre absolu\u00a0; si je veux mesurer l\u2019efficacit\u00e9 de cette machine, je m\u2019int\u00e9resse plut\u00f4t au chiffre relatif. Cet exemple cherche \u00e0 montrer deux choses. D\u2019abord, le pouvoir et la responsabilit\u00e9 qu\u2019ont les individus qui manient les donn\u00e9es, car leurs choix ne sont pas neutres. Ensuite, qu\u2019un savoir-faire technique d\u2019analyse (data visualisation, machine learning, etc.) doit aller de pair avec une connaissance strat\u00e9gique du secteur. Ainsi, lorsqu\u2019on \u00e9tudie un graphique, il est imp\u00e9ratif de se demander\u00a0aussi \u00e0 quelles questions celui-ci ne r\u00e9pond pas.<\/p>\n <\/p>\n Enfin, une organisation data driven<\/em> est consciente des limites de l\u2019intelligence artificielle, malgr\u00e9 l\u2019importance de celle-ci et de l\u2019effet de mode qui l\u2019entoure. Pour comprendre ces limites, il faut comprendre comment fonctionnent les algorithmes de machine learning<\/em>, qui sont utilis\u00e9s pour faire entre autres de la maintenance pr\u00e9dictive. Tous fonctionnent selon la m\u00eame logique\u00a0: l\u2019algorithme est entra\u00een\u00e9 \u00e0 rep\u00e9rer des constances et des r\u00e9currences dans une base de donn\u00e9es. Ce que presque personne ne prend la peine de souligner, cependant, c\u2019est que ces algorithmes assurent une pr\u00e9diction de qualit\u00e9 \u00e0 environnement constant<\/em>. Il est donc important de r\u00e9aliser que si l\u2019environnement change brusquement (catastrophe climatique emp\u00eachant les communications par satellite, entr\u00e9e dans un secteur d\u2019un \u00ab\u00a0barbare du net\u00a0\u00bb bouleversant les \u00e9quilibres, etc.), les pr\u00e9dictions faites sur les donn\u00e9es seront de moins bonne qualit\u00e9.<\/p>\n <\/p>\n Une Organisation Ouverte utilise les donn\u00e9es qu\u2019elle a pr\u00e9par\u00e9es et analys\u00e9es de deux grandes mani\u00e8res. Pour optimiser ses op\u00e9rations d\u2019abord, et pour optimiser ses prises de d\u00e9cision (strat\u00e9giques), ensuite.<\/p>\n <\/p>\n Les organisations qui sont data driven<\/em> utilisent la donn\u00e9e pour optimiser toutes les strates de leurs op\u00e9rations, que ce soit pour r\u00e9duire les co\u00fbts ou pour augmenter les revenus.<\/p>\n <\/p>\n Le second axe d\u2019utilisation des donn\u00e9es et de leur analyse est l\u2019optimisation des d\u00e9cisions. Prendre une d\u00e9cision (strat\u00e9gique) sans la justifier quantitativement est aujourd\u2019hui inacceptable. La \u00ab\u00a0data analytics\u00a0\u00bb devient donc un outil n\u00e9cessaire (mais, on l\u2019a vu plus haut, non suffisant) \u00e0 la prise de d\u00e9cision, et surtout pour convaincre que la d\u00e9cision prise est la bonne. En particulier, une utilisation pertinente des donn\u00e9es disponibles permet de limiter certains biais cognitifs[1]<\/a>\u00a0comme l\u2019exc\u00e8s de confiance<\/a> ou l\u2019ancrage<\/a>. L\u2019exc\u00e8s de confiance est le biais qui consiste \u00e0 \u00ab\u00a0croire \u00e0 sa bonne \u00e9toile\u00a0\u00bb, \u00e0 croire que notre exp\u00e9rience personnelle n\u2019est pas sujette aux m\u00eames al\u00e9as que celle des autres.\u00a0 Par exemple, les individus surestiment leurs chances de retrouver du travail lorsqu\u2019ils sont au ch\u00f4mage par rapport \u00e0 la dur\u00e9e moyenne chez les personnes ayant des caract\u00e9ristiques similaires\u00a0; les managers ont tendance \u00e0 surestimer les chances de succ\u00e8s du projet qu\u2019ils portent par rapport aux projets qu\u2019ils ne portent pas aux caract\u00e9ristiques similaires. Dans ces cas-l\u00e0, utiliser des mod\u00e8les de pr\u00e9diction peut apporter une lumi\u00e8re plus objective en soulignant justement qui sont les\u00a0individus ou projets \u00ab\u00a0aux caract\u00e9ristiques similaires\u00a0\u00bb et ce qu\u2019on peut apprendre d\u2019eux.<\/p>\n De la m\u00eame mani\u00e8re, nous souffrons tous d\u2019\u00ab\u00a0ancrage\u00a0\u00bb dans nos prises de d\u00e9cision, ce qui signifie simplement qu\u2019il est difficile de passer outre la premi\u00e8re impression. Si j\u2019ai d\u00e9j\u00e0 \u00e9t\u00e9 au ch\u00f4mage six mois et que je le suis de nouveau aujourd\u2019hui, je vais avoir tendance \u00e0 anticiper un ch\u00f4mage d\u2019\u00e0 peu pr\u00e8s six mois aussi, m\u00eame si les conditions ont radicalement chang\u00e9. De la m\u00eame mani\u00e8re, si 6 de mes 10 projets ont \u00e9t\u00e9 couronn\u00e9s de succ\u00e8s l\u2019ann\u00e9e derni\u00e8re, je vais avoir tendance \u00e0 anticiper un taux de succ\u00e8s d\u2019\u00e0 peu pr\u00e8s 60%, disons 70% si je suis ambitieux. Une analyse plus pr\u00e9cise des donn\u00e9es pourrait au contraire m\u2019indiquer que je suis en droit d\u2019esp\u00e9rer un taux de succ\u00e8s de 90% au vu de l\u2019environnement actuel, et peut m\u2019amener \u00e0 prendre une d\u00e9cision inform\u00e9e de mani\u00e8re plus objective.<\/p>\n![\"\"](\"\/wp-content\/uploads\/2019\/06\/data-driven-organization-presans-albert-meige-nicolas-chanut-245x300.png\")
<\/a>Chez Presans<\/a>, nous distinguons trois \u00e9tapes pour devenir une entreprise (ou une organisation) data driven<\/em>.<\/p>\nEtape #1\u00a0\u2013\u00a0PREPARE\u00a0: identifier, g\u00e9rer et organiser les donn\u00e9es<\/h1>\n
Principe 1\u00a0: pertinence \u00ab\u00a0business\u00a0\u00bb des donn\u00e9es<\/h2>\n
Principe 2\u00a0: utilisabilit\u00e9 des donn\u00e9es<\/h2>\n
\n
Principe 3\u00a0: Anticipation<\/h2>\n
Etape #2 \u2013\u00a0ANALYSE : construire une capacit\u00e9 d\u2019analyse des donn\u00e9es<\/h1>\n
Aspect 1\u00a0\u2013\u00a0DATA VISUALIZATION\u00a0: ce qui se con\u00e7oit bien se visualise clairement<\/h2>\n
Aspect 2\u00a0\u2013 CONNAISSANCE METIER\u00a0: savoir \u00e0 quelle(s) question(s) ne r\u00e9pond pas l\u2019analyse<\/h2>\n
Aspect 3 \u2013 LIMITES\u00a0: \u00eatre conscient des limites des outils employ\u00e9s<\/h2>\n
Etape #3 \u2013\u00a0LEVERAGE : utiliser les donn\u00e9es pour optimiser les op\u00e9rations et les prises des d\u00e9cisions<\/h1>\n
Axe 1\u00a0: Optimiser les op\u00e9rations pour r\u00e9duire les co\u00fbts et augmenter les revenus<\/h2>\n
\n
Axe 2\u00a0: Optimiser les prises de d\u00e9cision (strat\u00e9gique) en limitant les biais cognitifs<\/h2>\n